精华内容
下载资源
问答
  • 做数目
    千次阅读
    2021-04-20 10:27:56

    这是我的代码,我在运行时,总是出现

    xiaoche_1

    索引超出数组元素的数目(5)。

    出错 xiaoche_1 (line 47)

    u_1=u(k);

    有大佬知道怎么解决吗?

    clear all;

    close all;

    e_0=0; %定义起始的误差

    e_1=0;

    u_0=0;

    u_1=0;

    y_0=0;

    m_0=0;

    m_1=0;

    y_1=0;

    y_2=0;

    y_3=0;

    Y_0=0;

    Y_1=0;

    A_0=[1,1,1]';

    P_0=10^6*eye(3,3);

    c=0.995;%遗忘因子

    F_O=0;

    for k=1:1:99

    time(k)=k;

    r(k)=sign(sin(0.01*pi*k));%产生方波信号

    y(k)=0.091*y_0+0.91*u_1;%此处有问题

    m(k)=2*m_0-m_1+y_0;

    x(1,1)=0.44*y(k)-0.5*y_0+0.06*y_1;

    x(2,1)=0.44*y_0-0.5*y_1+0.06*y_2;

    x(3,1)=0.44*y_1-0.5*y_2+0.06*y_3;

    e(k)=r(k)-y(k);

    Y(k)=2*Y_0-Y_1+0.1*r(k);%此处有问题

    E(k)=Y(k)-m(k);

    F(k)=abs(e(k))*e(k)^2; %做过修改,+变*

    F(k)=F(k)+F_O; %F_0代表前一时刻的值

    F_O=F(k);

    if(abs(E(k))<=1)

    u(k)=A_0(1)*e(k)+A_0(2)*e_0+A_0(3)*e_1+u_1; %此处A_0代表的为cta

    P_1=P_0/c-P_0*x*((c+x'*P_0*x)^(-1))*x'*P_0/c;

    v(k)=0.1*u_1-0.1*u_0;

    A_1=A_0+P_0*x*((c+x'*P_0*x)^(-1))*(v(k)-(x')*A_0);

    A_0=A_1;

    P_0=P_1;

    end

    y_2=y_1;

    y_1=y_0;

    y_0=y(k);

    Y_1=Y_0;

    Y_0=Y(k);

    u_0=u_1;

    u_1=u(k);

    e_1=e_0;

    e_O=e(k);

    end

    figure(1);

    plot(time,r,'k');

    xlabel('time(s)');ylabel('r');

    axis([0,100,-5,5]);

    figure(2);

    plot(time,Y,'k');

    xlabel('time(s)');ylabel('Y');

    axis([0,100,-5,5]);

    figure(3);

    plot(time,y,'k');

    xlabel('time(s)');ylabel('y');

    axis([0,100,-5,5]);

    figure(4);

    plot(time,m,'k');

    xlabel('m');ylabel('m');

    axis([0,1,-100,100]);

    figure(5);

    plot(time,E,'k');

    xlabel('time(s)');ylabel('E');

    axis([0,100,-5,5]);

    A_0,P_1,F(k)

    更多相关内容
  • 取得记录数目.zip源码Delphi项目程序源码下载取得记录数目.zip源码Delphi项目程序源码下载 1.合个人学习技术项目参考 2.适合学生毕业设计参考 3.上线产品适合小公司开发项目参考
  • 背景差分法和邻帧检测法对车流数目进行统计(OpenCV+VC2008).zip资源matlab opencv运动目标检测程序资料背景差分法和邻帧检测法对车流数目进行统计(OpenCV+VC2008).zip资源matlab opencv运动目标检测程序资料背景差分...
  • 这个作业的时候发现没有可以参考的代码,于是把自己写的发出来咯。这是一个完整的程序,包括结构定义、初始化存储空间、构造邻接表和输入控制
  • 桌面快捷键消息数目提醒.zip安卓程序源码资源下载桌面快捷键消息数目提醒.zip安卓程序源码资源下载 1.适合学生毕业设计用 2.适合程序员学习研究用 3.适合新手自学研究使用
  • 阵列信号的信源数目估计——AIC,MDL,HQ,EDC法得比较!!MATLAB代码!
  • 聚类数目的多种确定方法与理论证明前言一:确定聚类中心数目的基础方法**二:方法修正**三:实验内容四:关于蒙特卡洛方法的有效性证明五:总结与展望 前言 上一篇文章我们主要是自己实现了kmeans++算法的底层逻辑,...

    前言

    上一篇文章我们主要是自己实现了kmeans++算法的底层逻辑,并用于实际数据来筛选异常值。之前也略微提到过,使用聚类模型有个很重要的步骤就是如何开始确定聚类中心的个数,这无论是划分聚类还是层次聚类等,都会涉及的问题,接下来我们就此问题展开讨论。
    在这里插入图片描述
    岁月如云,匪我思存,写作不易,望路过的朋友们点赞收藏加关注哈,在此表示感谢!
    本人的知乎平台欢迎参观交流

    一:确定聚类中心数目的基础方法

    • 肘方法

    此方法很容易理解和实现,大致意思就是计算每一个聚类数目下的点跟对应的聚类中心的误差平方和(SSE),那么每选则不同的聚类数目都有不同的SSE,聚类数目越多,SSE必然会小,试想一下,如果所有点都是聚类中心,可想而知SSE=0。
    我们定义SSE计算公式如下:
    S S E = ∑ i = 1 k ∑ j ∈ C i ∣ j − m i ∣ 2 SSE =\sum_{i=1}^{k}{\sum_{j\in C_{i}}{|j-m_i|^2}} SSE=i=1kjCijmi2
    公式中要注意 m i m_i mi 是第个 i i i 类的聚类中心, j j j 是属于第 i i i 类数据点的,并不是所有点跟所有聚类中心做距离运算,不然的话SSE不会随聚类数目的增加而趋于0
    既然我们知道SSE随聚类数目增加而趋于0,这中间过程就会存在下降速率大的一段,而且聚类数目越往后增大,下降速率会趋于平稳,那么我们一般会选择最陡峭的一段的末端值作为真实聚类数目。

    • 轮廓系数

    轮廓系数(Silhouette Coefficient)也是效果好坏的一种评价方式,它结合内聚度和分离度两种因素。可以用来在相同原始数据的基础上用来评价不同算法、或者算法不同运行方式对聚类结果所产生的影响。具体实现跟如下几个量有关:
    S ( i ) = b ( i ) − a ( i ) m a x { a ( i ) , b ( i ) } S(i)=\frac{b(i)-a(i)}{max\{a(i),b(i)\}} S(i)=max{a(i),b(i)}b(i)a(i) ,具体什么意思呢?
    其中 a ( i ) a(i) a(i) 意思是点 i i i 到所有它在的聚类簇中其它点的距离的平均值; b ( i ) b(i) b(i) 是点 i i i到某一个包含它的聚类簇内的所有点的平均值的最小值。我们从如下图1可以清楚的了解如上所说的这一过程。
    所以从公式分母可知, S ( i ) S(i) S(i) 取值必定属于 ( − 1 , 1 ) (-1,1) (1,1) ,且越接近1代表内聚度和分离度越优。
    在sdfsdfsdfsdfsdfsdfsdfsdfsdf图片描述

    图1:来源于百度百科
    • Calinski Harabasz值

    CH值具体公式如下:
    C H ( k ) = t r B ( k ) / ( k − 1 ) t r W ( k ) / ( n − k ) CH(k)=\frac{trB(k)/(k-1)}{trW(k)/(n-k)} CH(k)=trW(k)/(nk)trB(k)/(k1) ,公式中我们特别说明 n n n 表示聚类数目, k k k 表示当前的聚类数目, t r B ( k ) trB(k) trB(k) 表示类与类之间的离差矩阵的迹, t r W ( k ) trW(k) trW(k) 表示类内离差矩阵的迹。这里的公式具体不展开叙述了,有兴趣的可以参考文章如下。

    A dendrite method for cluster analysis

    CH值同样也是数值越大,聚类的数目就越优。

    二:方法修正

    • 蒙特卡洛方法取期望避免出现局部最优情况

    在上一篇文章我们提到,基于k-means或者k-means++算法会陷入局部最优情况,也许还没迭代几次,聚类中心就不更新了,那么通过上面所叙述的3种方法算出来的值每次结果定会有所波动,这种情况除了从算法底层角度加以修正外,也可以从统计角度出发,那就是多次运行结果取均值,最终选择值最大或者下降速率最大的点的位置。

    • 基础方法的组合

    通过取均值得来的数值后,我们可以把上述方法的结果组合起来观察,在满足簇内越“聚拢”的情况,也想簇间越“分离”

    三:实验内容

    • “震荡”阶段的实验内容

    为了验证我们我们修正方法的有效,我们先单次运行程序看看如何

    注:由于CH值和轮廓系数值存在很大的数量差异,我们对CH值进行修正压缩后,放入第二坐标系中

    在这里插入图片描述

    图2

    在这里插入图片描述

    图3

    在这里插入图片描述

    图4

    从图2,图3,图4中,我们发现轮廓系数、CH修正值、肘方法的表现相当的“不稳定”,一会儿在 k = 3 k=3 k=3 达到最大,一会在 k = 4 k=4 k=4 达到最大。。。。对这些指标进行组合判断,也难判断出哪个聚类数目是最优的,于是我们需要对这些指标进行重复蒙特卡洛循环取均值观察实验结果如何。

    • 蒙特卡洛循环取均值观察实验结果

    在这里插入图片描述

    图5

    在这里插入图片描述

    图6

    从上述图5和图6我们可以清楚地发现,经过多次循环后,所有的指标数据表现走向“平稳”,不再出现无规律的“震荡”,在 k = 4 k=4 k=4 时,所有的指标数据综合下是达到最优的状态,即肘方法在 k = 4 k=4 k=4 时是下降最快的一段的末端点,CH修正值达到最大,尽管轮廓系数不是最大,但明显是第2优的位置,跟最大的差别也不是很大,所以最终我们确定最佳聚类的数目为4

    • 代码参考

    对于SSE的计算我们先定义函数

    def SSE_clu(v1,v2):
        return sum(np.power(v1 - v2,2))
    

    接在再具体设计计算相关指标数据函数,这里肘方法我们通过自己定义方法实现,轮廓系数和CH值的大致逻辑如出一辙,也是比较容易实现的,我们就直接调用相关函数

    这里的K_means不是普通的kmeans函数,对应的是上一篇文章中我们自己实现的K-means++函数,详细参考上篇文章

    上篇文章链接

    def evaluate_func(data_norm,data_matx):
        ls_k = [2,3,4,5,6,7,8,9]
        ls_sil = []
        ls_ch = []
        ls_elbows =[]
        for i in ls_k:
            ls_elbow = []
            R = K_means(data_matx, i, get_cent_value(data_matx, i))###聚类的输出结果
            res1 = R[0].T.tolist()[0]###输出的是聚类类比
            res2 = R[1]##输出的是聚类中心
            for j in data_st.index:
                choose_label = res2[int(res1[j - 1]), :].tolist()[0]
                sse = SSE_clu(data_st.iloc[j - 1, :], choose_label)##肘方法
                ls_elbow.append(sse)
            ls_sil.append(metrics.silhouette_score(data_norm,res1))###轮廓系数
            ls_ch.append(metrics.calinski_harabasz_score(data_norm,res1))###CH值
            ls_elbows.append(sum(ls_elbow))
        return ls_elbows,ls_sil,ls_ch,len(ls_k)
    R_e = evaluate_func(data_st,data_temp)
    

    最后定义蒙特卡洛函数如下:

    def monte_carlo(epochs=20):
        matx_elbows = np.mat(np.zeros((epochs,R_e[3])))
        matx_sil = np.mat(np.zeros((epochs, R_e[3])))
        matx_ch = np.mat(np.zeros((epochs, R_e[3])))
        for i in range(epochs):
            Repoch = evaluate_func(data_st,data_temp)
            matx_elbows[i, :] = Repoch[0]
            matx_sil[i, :] = Repoch[1]
            matx_ch[i, :] = Repoch[2]
    
        mean_elbows = matx_elbows.sum(axis=0) / epochs
        mean_sil = matx_sil.sum(axis=0) / epochs
        mean_ch = matx_ch.sum(axis=0) / epochs
        mean_ch_norm = mean_ch / max(mean_ch.tolist()[0]) / 3
    
        print('SSE',mean_elbows.tolist()[0])
        print('轮廓系数',mean_sil.tolist()[0])
        print('CH值',mean_ch.tolist()[0])
        print('0-1标准化CH值',mean_ch_norm.tolist()[0])
        # plt.figure(figsize=(15,8))
    
        fig = plt.figure(figsize=(15, 8))
        ax1 = fig.add_subplot(1, 1, 1)
        ax2 = ax1.twinx()
        X = range(2, R_e[3] + 2)
        ax1.plot(X, mean_elbows.tolist()[0], marker='o', label='肘方法')
        ax2.plot(X, mean_sil.tolist()[0], 'r', marker='*', label='轮廓系数')
        ax2.plot(X, mean_ch_norm.tolist()[0], 'g', marker='*', label='CH修正值')
        ax1.set_ylabel('SSE', fontsize=20)
        ax1.set_xlabel('K', fontsize=20)
        ax2.set_ylabel('Value', fontsize=20)
        ax1.tick_params(labelsize=20)
        ax2.tick_params(labelsize=20)
        ax1.legend(loc='lower left', fontsize=20)
        ax2.legend(loc='upper right',fontsize=20)
        plt.show()
    monte_carlo(epochs=30)
    

    四:关于蒙特卡洛方法的有效性证明

    设聚类数目取值一直到 m ( m < ∞ ) m ( m<\infty ) mm<,每次独立循环 m 个聚类数目 n 次,每个聚类数目之间独立,设第 i 个聚类存在波动 d i > 0 d_i>0 di>0 ,且每个波动值是有界的,定义

    D ( C i ) = d i ( 1 < i < m , D ∈ R m ) D(C_i)=d_i(1<i<m ,D\in R^m) D(Ci)=di(1<i<m,DRm),
    那么 m m m 个一起整体有

    D ( ∑ k = 1 m C k ) = ∑ k = 1 m d k D\left( \sum_{k=1}^{m}{C_k} \right)=\sum_{k=1}^{m}{d_k} D(k=1mCk)=k=1mdk ,

    接着独立循环 n 次中的第 k 个聚类数目的平均波动值为

    D ( C k n ) = d k 1 + d k 2 + . . . + d k n n = 1 n ∑ j = 1 n d k j D(C_{kn})=\frac{d_{k1}+d_{k2}+...+d_{kn}}{n}=\frac{1}{n}\sum_{j=1}^{n}{d_{kj}} D(Ckn)=ndk1+dk2+...+dkn=n1j=1ndkj(1) ,

    那么 m m m 个一起整体有

    D ( ∑ k = 1 m C k n ) = D ( 1 n ∑ j = 1 n ∑ k = 1 m C k j ) D\left( \sum_{k=1}^{m}{C_{kn}} \right)=D\left( \frac{1}{n}\sum_{j=1}^{n}{\sum_{k=1}^{m}{C_{kj}}} \right) D(k=1mCkn)=D(n1j=1nk=1mCkj) ,

    由独立方差性质(两两变量之间的协方差为0)有

    D ( ∑ k = 1 m C k n ) = 1 n 2 D ( ∑ j = 1 n ∑ k = 1 m C k j ) = 1 n 2 D ( ∑ j n C 1 j ) + 1 n 2 D ( ∑ j n C 2 j ) + . . . + 1 n 2 D ( ∑ j n C m j ) D\left( \sum_{k=1}^{m}{C_{kn}} \right)=\frac{1}{n^2}D\left( \sum_{j=1}^{n}{\sum_{k=1}^{m}{C_{kj}}} \right) = \frac{1}{n^2}D\left( \sum_{j}^{n}{C_{1j}} \right)+\frac{1}{n^2}D\left( \sum_{j}^{n}{C_{2j}} \right)+...+\frac{1}{n^2}D\left( \sum_{j}^{n}{C_{mj}} \right) D(k=1mCkn)=n21D(j=1nk=1mCkj)=n21D(jnC1j)+n21D(jnC2j)+...+n21D(jnCmj)(2)

    那么我们只要证明出

    D ( ∑ k = 1 m C k n ) < D ( ∑ k = 1 m C k ) D\left( \sum_{k=1}^{m}{C_{kn}} \right)<D\left( \sum_{k=1}^{m}{C_k} \right) D(k=1mCkn)<D(k=1mCk) 即可,

    对于(2)式我们变形有

    1 n d k − < 1 n 2 D ( ∑ j n C k j ) < 1 n d k + \frac{1}{n}d_k^{-}<\frac{1}{n^2}D\left( \sum_{j}^{n}{C_{kj}} \right)<\frac{1}{n}d_k^{+} n1dk<n21D(jnCkj)<n1dk+,

    其中 d k − 是 C k j d_k^{-} 是 C_{kj} dkCkj 里的最小波动值, d k + d_k^{+} dk+ 为相应最大波动值,那么我们只要证明

    1 n ( d 1 + + d 2 + + . . . + d m + ) < d 1 + d 2 + . . . + d m ( ∗ ) \frac{1}{n}\left( d_1^{+} +d_2^++...+d_m^+\right)<d_1+d_2+...+d_m(*) n1(d1++d2++...+dm+)<d1+d2+...+dm() 即可,又由于 d k + < ∞ d_k^+<\infty dk+< ,

    那么(*)式显然成立的,可从极限角度思考, n → ∞ n\rightarrow\infty n 不等式左端远远小于右端,因为 d 1 + + d 2 + + . . . + d m + < s u p d_1^{+} +d_2^{+}+...+d_m^+<sup d1++d2++...+dm+<sup,有上确界存在,而且当我们蒙特卡洛循环次数越多,我们的聚类数目整体产生波动会越,结果越来越平稳

    • 以上理论的正确性可以用个很普遍很好的例子形象说明
      在这里插入图片描述
    图7

    图7就是我们模拟的原始波动(选取相应随机数即可,这里用的是标准正态分布随机数)与重复循环再取均值的效果图,很明显循环越多,最后波动越平稳。

    五:总结与展望

    本篇文章内容主要涉及的东西比较多,有理论上说明我们蒙特卡洛方法的有效性并陈述了一些聚类数目的方法,并通过相应实验来说明理论的有效性并解决实际问题。对于想学习这方面的朋友,如果帮助到一些,那是再好不过的事。

    在这里插入图片描述

    展开全文
  • 求助输入参数数目不足且目标函数有错的问题谢谢! 在求最优解的非线性规划问题,之前用fmincon结果不够理想,但还是有结果,之后用了globalsearch, 代码和出错如下,请教是哪里有问题?如何修改?谢谢!opts1=...

    icon1.gif 求助输入参数数目不足且目标函数有错的问题谢谢!

    在做求最优解的非线性规划问题,之前用fmincon结果不够理想,但还是有结果,之后用了globalsearch, 代码和出错如下,请教是哪里有问题?如何修改?谢谢!

    opts1=optimset('Algorithm','sqp');

    problem=createOptimProblem('fmincon','objective',fun,'x0',[14,25,15,23,18,44000,43500,43000,42500,42000],'Aineq',[],'bineq',[],'Aeq',[],'beq',[],'lb',[10,10,10,10,10,40000,40000,40000,40000,40000],'ub',[],'nonlcon',nonlinearcondition,'options',opts1);

    gs=GlobalSearch;

    [x,fval]=run(gs,problem)

    输入参数的数目不足。

    出错 fun (line 2)

    f=50000-(1400000-0.103075*x(1)^2*x(6)^(2/3)-0.103075*x(2)^2*x(7)^(2/3)-0.103075*x(3)^2*x(8)^(2/3)-0.103075*x(4)^2*x(9)^(2/3)-0.103075*x(5)^2*x(10)^(2/3))/(5.83/x(1)+5.83/x(2)+5.83/x(3)+5.83/x(4)+5.83/x(5)+2);

    注:fun是目标函数,m文件如下:

    function f=fun(x)

    f=50000-(1400000-0.103075*x(1)^2*x(6)^(2/3)-0.103075*x(2)^2*x(7)^(2/3)-0.103075*x(3)^2*x(8)^(2/3)-0.103075*x(4)^2*x(9)^(2/3)-0.103075*x(5)^2*x(10)^(2/3))/(5.83/x(1)+5.83/x(2)+5.83/x(3)+5.83/x(4)+5.83/x(5)+2);

    end

    共10个变量

    展开全文
  • C++描述 LeetCode 5677. 统计同构子字符串的数目

    千次阅读 多人点赞 2021-02-14 11:20:18
    统计同构子字符串的数目   大家好,我叫亓官劼(qí guān jié ),在CSDN中记录学习的点滴历程,时光荏苒,未来可期,加油~博主目前仅在CSDN中写博客,唯一博客更新的地址为:亓官劼的博客 ,同时正在尝试在B...

    C++描述 LeetCode 5677. 统计同构子字符串的数目

      大家好,我叫亓官劼(qí guān jié ),在CSDN中记录学习的点滴历程,时光荏苒,未来可期,加油~博主目前仅在CSDN中写博客,唯一博客更新的地址为:亓官劼的博客 ,同时正在尝试在B站中做一些内容分享,B站主页为: 亓官劼的B站主页

    本文原创为亓官劼,请大家支持原创,部分平台一直在恶意盗取博主的文章!!!
    若需联系博主,可以联系本人微信:qiguanjie2015


    给你一个字符串 s ,返回 s同构子字符串 的数目。由于答案可能很大,只需返回对 109 + 7 取余 后的结果。

    同构字符串 的定义为:如果一个字符串中的所有字符都相同,那么该字符串就是同构字符串。

    子字符串 是字符串中的一个连续字符序列。

    示例 1:

    输入:s = "abbcccaa"
    输出:13
    解释:同构子字符串如下所列:
    "a"   出现 3 次。
    "aa"  出现 1 次。
    "b"   出现 2 次。
    "bb"  出现 1 次。
    "c"   出现 3 次。
    "cc"  出现 2 次。
    "ccc" 出现 1 次。
    3 + 1 + 2 + 1 + 3 + 2 + 1 = 13
    

    示例 2:

    输入:s = "xy"
    输出:2
    解释:同构子字符串是 "x" 和 "y" 。
    

    示例 3:

    输入:s = "zzzzz"
    输出:15
    

    提示:

    • 1 <= s.length <= 105
    • s 由小写字符串组成

    解题思路

    遍历字符串,每次记录当前位置的值,向后遍历,如果相同,则每次cnt+k(如果当前是连续第k个,则可以分别多1,2,3 ……k个字母的同构,所以对于第k个连续字母,cnt+k)。

    算法实现

    class Solution {
    public:
        int countHomogenous(string s) {
            int len = s.length();
            int i = 0;
            long long int cnt = 0;
            while(i < len){
                char temp = s[i];
                cnt = (cnt + 1) % 1000000007;
                i++;
                int k = 1;
                while(s[i] == temp){
                    k++;
                    cnt = (cnt + k) %1000000007;
                    i++;
                }
            }
            return cnt;
        }
    };
    
    展开全文
  • 【问题描述】统计一行字符的大写字母,小写字母和数字的个数。先输出大写字母个数,在输出小写字母个数,最后输出数字个数。...b,l,n=0,0,0 #b大写字母数目 l小写字母数目 n数字数目 for i in s: if i.islower()
  • ~~ 索引超出子图数目 主要是在Plot出图那块,想要放下三个图,依次放在下面,但是,原代码是下面这样的: %% 出图 %绘图 figure subplot(2,1,1); plot(1:XC_row,T2,'k'); title('KPCA Statistics'); xlabel('Sample ...
  • SQL插入错误: 列名或所提供值的数目与表定义不匹配解决方法,INSERT INTO 语句用于向表格中插入新的行。 1、语法:INSERT INTO 表名称 VALUES (值1, 值2,....) 这里我们需要指定所要插入数据的列: INSERT INTO ...
  • 求字符串子串数目的方法

    万次阅读 多人点赞 2018-01-12 22:03:47
    最近在一些算法题,经常遇到字符串的问题,需要计算字符串子串的数目,字符串的子串数目为 n(n+1)/2 + 1,这个答案是如何求得的呢? 我们都知道子串是一个字符串中连续的一段,其实你可以把它抽象为周围有边界...
  • 对一个以等号划分名称和数目的文本文件统计处理,将同名称的等号后面的数目加起来。 例如:文本文件内容为mary=21 mike=18 lucy=12 mary=12 输出结果为: mary=33 mike=18 lucy=12 即实现了同名后数目相加的...
  • 这是我过的一道小题,原图是一黑白的真彩图像,将真彩图转化成灰度图,以统计灰色图像中每种颜色的数目,然后利用灰度图查找X,Y轴坐标,将真彩图里对应的点标红
  • 超像素分割软件,让你快速将超像素方法应用于你的图像文件,并输出超像素分割效果,为你文章讲解和计划实验准备。
  • 买不到的数目

    千次阅读 2018-03-25 09:32:31
    当然有些糖果数目是无法组合出来的,比如要买 10 颗糖。 你可以用计算机测试一下,在这种包装情况下,最大不能买到的数量是17。大于17的任何数字都可以用4和7组合出来。 本题的要求就是在已知两个包装的数量时...
  • 题目 给你一个数组 rectangles ,其中 rectangles[i] = [li, wi] 表示第 i 个矩形的长度为 li 、宽度为 wi 。 如果存在 k 同时满足 k <...返回可以切出边长为 maxLen 的正方形的矩形 数目 。 示例 1:
  • 煤球数目 有一堆煤球,堆成三角棱锥形。具体: 第一层放1个, 第二层3个(排列成三角形), 第三层6个(排列成三角形), 第四层10个(排列成三角形), .... 如果一共有100层,共有多少个煤球...
  • 线程池线程数目的确定

    千次阅读 2019-07-20 16:55:21
     并发高、业务执行时间长,解决这种类型任务的关键不在于线程池而在于整体架构的设计,看看这些业务里面某些数据是否能缓存是第一步,增加服务器是第二步,以及线程池的设置。最后,业务执行时间长的问题,也可能...
  • 展开全部在插入数据操作时,提示错误信息:插入错误: 列名或所提供值的62616964757a686964616fe59b9ee7ad9431333366306537数目与表定义不匹配。数据库表中有三个个字段:id,name,pwd,执行的SQL语句如下:string ...
  • mysql表上索引数目有上限

    千次阅读 2018-12-25 20:42:56
    mysql的问题就是一个表中索引的最大数目是64,这样如果所有的字段都建索引,则一个表中的字段数不应超过64. 如果用sqlite索引服务,可考虑用sqlite的一个库表示一张表,库中的一个表表示一个字段。但是表的...
  • 1254. 统计封闭岛屿的数目

    万次阅读 2020-01-20 18:16:33
    题目: 有一个二维矩阵 grid ,每个位置要么是陆地(记号为 0 )要么是水域(记号为 1 )。我们从一块陆地出发,每次...请返回封闭岛屿的数目。 换句话说就是从当前陆地走,你走不到数组边界的陆地都是封闭岛屿(或...
  • 最近在往SQLServer2008数据库里插入数据时,有个超过1000条记录集,需要手动插入到一个表里,数据库名为MF,表名为test。 insertintotest(name) values(1),(2),(3),(4),(5),(6),......INSERT语句中行值表达式的数目超...
  • 突破NVIDIA NVENC并发Session数目限制

    千次阅读 2020-04-26 09:02:42
    如果同时进行多路转码,在某些显卡上会报错: Out of Memory,一般就是调用nvEncOpenEncodeSessionEx函数出错,返回的错误码是10(NV_ENC_ERR_OUT_OF_MEMORY),NVENC并发的Session数目超过了限制,具体信息可以去官网查...
  • 先import相关库 import torch ... 当想要上下左右均padding不同数目的行/列时,只能通过nn.ZeroPad2d或F.pad进行,其pad相关参数可以输入四个参数(A, B, C, D),分别表示左、右、上、下所要padding的行/列数目
  • 一、题目描述 给定nnn个结点,求二叉树的形状数目。...若左右子树的结点树不相同,则左右子树互换再次按上面所述去,又相同的排列数目。 根据排列组合,当前n个结点的二叉树有f(n−k−1)∗f(k)∗2f(n-k-1)*f(k
  • PSO优化LSTM时间序列的预测,优化的是隐藏层单元数目,批处理大小,时间窗口大小,学习率等网络参数。 ID:8288668442690309幸福生活
  • VMware vSphere 5.0配置完成Cluster的HA后在主机的摘要栏提示“此主机当前没有管理网络冗余”,我的环境中服务器都是单网卡,也没有多余的Management Network。只好通过以下方法解决。 1.右键点击Cluster选中 编辑...
  • my-package/ ├─ grammars/ ├─ keymaps/ ├─ lib/ ├─ menus/ ├─ spec/ ├─ snippets/ ├─ styles/ ├─ index.coffee └─ package.json

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 466,948
精华内容 186,779
关键字:

做数目